5 II. TINJAUAN PUSTAKA 2.1. Jaringan Syaraf Tiruan 2.1.1. Sejarah Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) telah dikembangkan sejak tahun 1940. Pada tahun 1943 McCulloch dan W.H.Pitts memperkenalkan pemodelan matematis neuron. Tahun 1949, Hebb mencoba mengkaji proses belajar yang dilakukan oleh neuron. Teori ini dikenal sebagai Hebbian Law. Tahun 1958, Rosenblatt memperkenalkan konsep perseptron suatu jaringan yang terdiri dari beberapa lapisan yang saling berhubungan melalui umpan maju (feed foward). Konsep ini dimaksudkan untuk memberikan ilustrasi tentang dasar-dasar intelejensia secara umum. Hasil kerja Rosenblatt yang sangat penting adalah perceptron convergence theorem (tahun 1962) yang membuktikan bahwa bila setiap perseptron dapat memilah-milah dua buah pola yang berbeda maka siklus pelatihannya dapat dilakukan dalam jumlah yang terbatas. (ANN-A neural network tutorial, html doc. 2010). Pada tahun 1960 Widrow dan Hoff menemukan ADALINE (Adaptive Linear Neuruon). Teknik ini dapat beradaptasi dan beroperasi secara linier. Penemuan ini telah memperlebar aplikasi jaringan syaraf tiruan tidak hanya untuk pemilihan pola, tetapi juga untuk pengiriman sinyal khususnya dalam bidang adaptive filtering. (ANN-A neural network tutorial, html doc. 2010). Namun, Tahun 1969, Minsky dan Papert melontarkan suatu kritikan tentang kelemahan perseptronnya Rosenblatt di dalam memilah-milah pola yang tidak linier. Sejak saat itu penelitian di bidang jaringan syaraf tiruan telah mengalami masa vakum untuk kurang lebih satu dasawarsa. Tahun 1982, Hopfield telah memperluas aplikasi JST untuk memecahkan masalah-masalah optimasi. Hopfield telah berhasil memperhitungkan fungsi energi ke dalam jaringan syaraf yaitu agar jaringan memiliki kemampuan untuk mengingat atau memperhitungkan suatu obyek dengan obyek yang pernah dikenal atau diingat sebelumnya (associative memory). Konfigurasi jaringan yang demikian dikenal sebagai recurrent network. Salah satu aplikasinya adalah TravellingSalesman Problem (TSP). (Artificial Neural Networks -A neural network tutorial, 2010)
21
Embed
II. TINJAUAN PUSTAKA 2.1. Jaringan Syaraf Tiruan · 5 II. TINJAUAN PUSTAKA 2.1. Jaringan Syaraf Tiruan 2.1.1. Sejarah Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) telah dikembangkan
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
5
II. TINJAUAN PUSTAKA
2.1. Jaringan Syaraf Tiruan
2.1.1. Sejarah Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) telah dikembangkan sejak tahun 1940. Pada
tahun 1943 McCulloch dan W.H.Pitts memperkenalkan pemodelan matematis
neuron. Tahun 1949, Hebb mencoba mengkaji proses belajar yang dilakukan oleh
neuron. Teori ini dikenal sebagai Hebbian Law. Tahun 1958, Rosenblatt
memperkenalkan konsep perseptron suatu jaringan yang terdiri dari beberapa
lapisan yang saling berhubungan melalui umpan maju (feed foward). Konsep ini
dimaksudkan untuk memberikan ilustrasi tentang dasar-dasar intelejensia secara
umum. Hasil kerja Rosenblatt yang sangat penting adalah perceptron convergence
theorem (tahun 1962) yang membuktikan bahwa bila setiap perseptron dapat
memilah-milah dua buah pola yang berbeda maka siklus pelatihannya dapat
dilakukan dalam jumlah yang terbatas. (ANN-A neural network tutorial, html doc.
2010).
Pada tahun 1960 Widrow dan Hoff menemukan ADALINE (Adaptive
Linear Neuruon). Teknik ini dapat beradaptasi dan beroperasi secara linier.
Penemuan ini telah memperlebar aplikasi jaringan syaraf tiruan tidak hanya untuk
pemilihan pola, tetapi juga untuk pengiriman sinyal khususnya dalam bidang
adaptive filtering. (ANN-A neural network tutorial, html doc. 2010).
Namun, Tahun 1969, Minsky dan Papert melontarkan suatu kritikan
tentang kelemahan perseptronnya Rosenblatt di dalam memilah-milah pola yang
tidak linier. Sejak saat itu penelitian di bidang jaringan syaraf tiruan telah
mengalami masa vakum untuk kurang lebih satu dasawarsa. Tahun 1982,
Hopfield telah memperluas aplikasi JST untuk memecahkan masalah-masalah
optimasi. Hopfield telah berhasil memperhitungkan fungsi energi ke dalam
jaringan syaraf yaitu agar jaringan memiliki kemampuan untuk mengingat atau
memperhitungkan suatu obyek dengan obyek yang pernah dikenal atau diingat
sebelumnya (associative memory). Konfigurasi jaringan yang demikian dikenal
sebagai recurrent network. Salah satu aplikasinya adalah TravellingSalesman
Problem (TSP). (Artificial Neural Networks -A neural network tutorial, 2010)
6
Pada tahun 1986 Rumelhart, Hinton dan William menciptakan suatu
algoritma belajar yang dikenal sebagai propagasi balik (backpropagation). Bila
algoritma ini diterapkan pada perseptron yang memiliki lapisan banyak (multi
layer perceptron), maka dapat dibuktikan bahwa pemilahan pola-pola yang tidak
linier dapat diselesaikan sehingga dapat mengatasi kritikan yang dilontarkan oleh
Minsky dan Papert. (ANN-A neural network tutorial, html doc. 2010).
2.1.2. Defenisi Jaringan Syaraf Tiruan
JST merupakan sistem pemroses informasi yang memiliki karakteristik
mirip dengan jaringan syaraf biologi (Siang, 2005). Menurut Sekarwati (2005),
JST merupakan sistem komputasi yang didasarkan atas pemodelan sistem syaraf
biologis (neurons) melalui pendekatan dari sifat-sifat komputasi biologis
(biological computation).
Menurut Subiyanto (2002), JST adalah membuat model sistem komputasi
yang dapat menirukan cara kerja jaringan syaraf biologi, sedangkan menurut
Siang (2005), JST dibentuk sebagai generalisasi model matematika dari jaringan
syaraf biologi dengan asumsi sebagai berikut.
a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neurons).
b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung
penghubung.
c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
d. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi
aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima.
Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas
ambang, dimana Neuron adalah unit pemroses informasi yang menjadi dasar
dalam pengoperasian jaringan syaraf tiruan (Siang 2005). Neuron terdiri dari 3
elemen pembentuk sebagai berikut.
a. Himpunan unit-unit yang dihubungkan dengan jalur koneksi.
b. Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal
yang sudah dikalikan dengan bobotnya.
7
c. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron
akan diteruskan ke neuron lain ataukah tidak.
JST ditentukan oleh 3 hal sebagai berikut.
a. Pola hubungan antar neuron (disebut arsitektur jaringan ).
b. Metode untuk menentukan bobot penghubung (disebut algoritma
training/learning /pelatihan/belajar)
c. Fungsi aktivasi.
Di dalam JST, istilah simpul (node) sering digunakan untuk menggantikan
neuron, dimana setiap simpul pada jaringan menerima atau mengirim sinyal dari
atau ke simpul-simpul lainnya. Pengiriman sinyal disampaikan melalui
penghubung. Kekuatan hubungan yang terjadi antara setiap simpul yang saling
terhubung dikenal dengan nama bobot.
Model-model JST ditentukan oleh arsitektur jaringan serta algoritma
pelatihan. Arsitektur biasanya menjelaskan arah perjalanan sinyal atau data di
dalam jaringan, sedangkan algoritma belajar menjelaskan bagaimana bobot
koneksi harus diubah agar pasangan masukan-keluaran yang diinginkan dapat
tercapai. Perubahan harga bobot koneksi dapat dilakukan dengan berbagai cara,
tergantung pada jenis algoritma pelatihan yang digunakan. Dengan mengatur
besarnya nilai bobot ini diharapkan bahwa kinerja jaringan dalam mempelajari
berbagai macam pola yang dinyatakan oleh setiap pasangan masukan-keluaran
akan meningkat.
WR1R WR2R WR3R
Gambar 1, Sel Jaringan Syaraf Tiruan
Pada Gambar 1 diperlihatkan sebuah sel syaraf tiruan sebagai elemen
penghitung. Simpul Y menerima masukan dari neuron x1, x2 dan x3 dengan
X1
X2
X3
Y
8
bobot hubungan masing-masing adalah w1, w2 dan w3. Argumen fungsi aktivasi
adalah net (jejaring) masukan (kombinasi linear masukan dan bobotnya). Ketiga
sinyal simpul yang ada dijumlahkan net = x1w1 + x2w2 + x3w3 .
Besarnya sinyal yang diterima oleh Y mengikuti fungsi aktivasi y = f(net).
Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai
fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk
merubah bobot.
2.1.3. Arsitektur Jaringan
Berdasarkan arsitekturnya, model JST tergolong menjadi:
a. Jaringan Layar Tunggal (Single Layer Network)
Pada jaringan ini, sekumpulan masukan neuron dihubungkan langsung
dengan sekumpulan keluarannya. Sinyal mengalir searah dari layar
(lapisan) masukan sampai layar (lapisan) keluaran. Setiap simpul
dihubungkan dengan simpul lainnya yang berada diatasnya dan
dibawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang
sama. Model yang masuk kategori ini antara lain : ADALINE, Hopfield,
Perceptron, LVQ, dan lain-lain. Pada Gambar 2 diperlihatkan arsitektur
jaringan layar tunggal dengan n buah masukan (x1, x2,..., xn) dan m buah
keluaran (y1, y2,..., ym)
WR11
WR12R WR13R
WR21 WR22 WR23 WR3n WR3n WR3n
Gambar 2, Jaringan Layar Tunggal
X1
X2
Xn Ym
Y2
Y1
9
b. Jaringan Layar Jamak (Multiple Layer Network)
Jaringan ini merupakan perluasan dari jaringan layar tunggal. Dalam
jaringan ini, selain unit masukan dan keluaran, ada unit-unit lain (sering
disebut layar tersembunyi). Dimungkinkan pula ada beberapa layar
tersembunyi. Model yang termasuk kategori ini antara lain : MADALINE,
backpropagation.
Pada Gambar 3 diperlihatkan jaringan dengan n buah unit masukan (x1,
x2,..., xn), sebuah layar tersembunyi yang terdiri dari m buah unit